Contexto

El bacteriófago ΦX174 es un virus de ADN monocatenario prototípico que infecta Escherichia coli, compuesto por 5,386 nucleótidos y 11 proteínas. Su secuencia genómica completa fue descifrada por primera vez en la década de 1970, y en la década de 2000 estableció un récord al convertirse en el primer genoma sintetizado químicamente. Recientemente, un modelo de lenguaje genómico diseñó un fago infeccioso basado en ΦX174, lo que lo convirtió nuevamente en un modelo destacado en la ingeniería sintética.

Sin embargo, la capacidad de leer o generar secuencias no implica necesariamente entender los resultados biológicos de las variantes. Los predictores de efecto de variantes (variant effect predictors, VEP) existentes dependen de la conservación evolutiva, la estructura proteica y reglas estadísticas aprendidas de grandes conjuntos de datos. En sistemas con datos limitados y redes de interacción proteica densas, como los virus, su rendimiento no ha sido plenamente validado.

Hallazgo principal

El equipo de investigación liderado por Huijin Wei, Xianghua Li y Ben Lehner realizó un análisis exhaustivo de mutaciones, sustituyendo cada base genómica por las otras tres posibles y cada aminoácido proteico por los restantes 19. Generaron más de 44,000 variantes. Las cultivaron junto con E. coli sensible durante 80 minutos. Durante dos ciclos de infección, distinguieron mediante secuenciación de ADN las variantes que se multiplicaron y las que desaparecieron, calculando su aptitud.

Más del 50% de las variantes de nucleótido único y más del 60% de los cambios de aminoácido redujeron la aptitud del fago. Se encontraron pocas variantes que, contrariamente a lo esperado, mejoraran la replicación de ΦX174, ya optimizada en el laboratorio. El 47.6% de las variantes dañinas de aminoácido se localizaron en interfaces de interacción entre proteínas virales o entre proteínas virales y huésped. El 25.4% afectó regiones críticas internas de las proteínas. Aproximadamente un cuarto de las variantes no pudieron explicarse con la información estructural y de interacción disponible.

Los investigadores compararon los resultados experimentales con varios modelos de lenguaje proteico de última generación, como ESM-1v, ESM-2, ESM3, ProGen2, Tranception-L, GEMME y SaProt, junto con predictores basados en estructura y evolución. En general, la capacidad predictiva de los modelos fue moderada. Un sencillo indicador estructural, la accesibilidad relativa al solvente calculada en complejos proteicos, obtuvo una correlación de Spearman de 0.41, superando el 0.26 de indicadores basados en monómeros. Los modelos AI complejos no superaron consistentemente la información estructural básica sobre interfaces de interacción.

Significado y perspectivas

Estos resultados muestran una brecha importante entre la capacidad de generar secuencias biológicas plausibles y la de predecir causalmente los fenotipos de variantes específicas. En particular, enfocarse únicamente en la plegación proteica puede hacerse a expensas de las interacciones moleculares que son la causa principal del daño por variantes. Los modelos de interpretación de variantes deben incorporar estrategias que integren no solo secuencias proteicas individuales, sino también estructuras de complejos, factores del huésped y fenotipos en etapas de infección.

Estos datos podrían servir como conjunto de referencia a nivel de genoma para evaluar modelos de predicción de variantes virales y diseño de fagos. Sin embargo, el sistema estudiado es un modelo viral pequeño y la aptitud se midió en cultivo competitivo de 80 minutos con E. coli. Los efectos de las variantes podrían cambiar con diferentes hospedadores o condiciones de cultivo. También se debe tener en cuenta que el estudio es un preimpreso no revisado por pares.